图像语义分割作为人工智能领域中一个重要分支,旨在为图像中的所有像素分配类别标签。图像语义分割技术在自动驾驶、机器人控制、医学成像和时尚推荐等许多应用中起着至关重要的作用。随着深度网络的发展,特别是全卷积神经网络的出现,研究者们提出了多种端到端的语义分割方法。虽然这些方法取得了良好的效果,但也存在一定的局限性。在此基础上,本文从注意力模块和多尺度特征融合的角度出发,提出了两种不同结构的分割模型。本文的主要研究工作如下:(1)研究及对比分析了图像语义分割中的经典算法:FCN、DPN、Deep Lab和PSPNet。FCN算法的主要特点是去除了卷积神经网络中的全连接层,并且使用了不同深度层次的跳级(skip)结构来提高分割性能。DPN算法使用了高阶循环卷积神经网络,用来提取图像特征。Deep Lab算法使用空洞卷积来扩大感受野,增强图像特征表达能力。PSPNet算法则结合金字塔池模块,用于场景解析。通过对以上经典算法的实验分析与对比,本文在FCN网络和PSPNet网络基础上进行研究,用于图像语义分割任务。(2)提出了基于编解码结构的图像语义分割模型(U-SEM)。该模型由空洞空间金字塔池化模块和深度可分离卷积的通道注意力模块组成。空洞空间金字塔池化模块通过采用改进的4层空洞卷积层和全局平均池化层来获取多尺度信息。深度可分离卷积的通道注意力模块是通道注意力机制与深度可分离卷积结合,用来校准不同通道上特征信息的一致性,同时采用跳级结构将编码网络的低层特征传输到解码端网络中,增强低层图像细节信息与高层语义信息高效融合,不断提高图像分割性能。在Pascal voc2012和Cityscapes数据集的实验结果表明了U-SEM模型增强了图像特征表达能力,优化了物体的分割边缘,提高了分割的精度。(3)提出了基于多尺度特征融合的图像语义分割模型(DA-Res2Net)。本模型主要由稠密型特征提取网络、注意力模块和金字塔池化模块三部分组成。稠密型特征提取网络以更加细粒度的方式来表示多尺度特征,扩大了每个网络层的感受野范围,提高了图像提取特征能力。在构建网络中,引入注意力模块,结合Softmax函数进行归一化,得到表征不同通道贡献率的概率分布值。金字塔池化模块用于融合不同层级的多尺度特征,金字塔池化模块主要用于融合不同层级的多尺度特征,提高图像分割效果。在Pascal voc2012和Cityscapes的实验结果,表明了DA-Res2Net模型可以增强图像上下文联系能力和特征提取表达能力,进而提高了小目标的分割精度。